如何用Pandas的value_counts()统计满足条件的指定列值频次？

需要统计DataFrame中满足特定条件的值的数量：在给定DataFrame里，统计Matched Previous ID列中，对应Max Score列值大于0.55的各值出现次数。

示例DataFrame：

Next ID  Max Score          Matched Previous ID
0        1   0.893201                    1
1        2   0.858763                    2
2        3   0.902589                    3
3        8   0.806605                    8
4       15   0.867527                   15
5       21   0.536942                   21
6       22   0.909944                   22
7       28   0.828891                   28
8       94   0.223704                    4
9       96   0.583676                    4

预期结果：值4出现1次，值21出现0次（其对应分数低于0.55）。已知df.value_counts()可无条件统计频次，请问能否结合条件使用，具体该如何操作？

解决方法 #

当然可以结合条件使用，以下是两种常用实现方式：

方法1：先过滤再统计 #

先通过布尔索引筛选出Max Score > 0.55的行，再对目标列执行value_counts()：

# 筛选符合分数条件的行
filtered_rows = df[df['Max Score'] > 0.55]
# 统计目标列的频次
counts = filtered_rows['Matched Previous ID'].value_counts()

执行后，counts会得到符合条件的ID频次（示例中4会显示1次，21不会出现在结果里）。如果需要把所有原ID都显示出来（包括频次为0的），可以用reindex补全：

# 获取原列所有唯一ID
all_ids = df['Matched Previous ID'].unique()
# 补全0值并排序（可选）
counts_with_zero = counts.reindex(all_ids, fill_value=0).sort_index()

这样结果里就会包含21，且频次为0，完全匹配预期。

方法2：分组后条件计数 #

用groupby按Matched Previous ID分组，再统计每组中满足分数条件的行数：

counts = df.groupby('Matched Previous ID')['Max Score'].apply(lambda x: (x > 0.55).sum())

这种方式会直接返回所有原ID的计数结果，包括频次为0的情况（示例中21对应的结果就是0），无需额外补全。

内容的提问来源于stack exchange，提问作者Donnerhorn